基于人工神经网络的铁路客票系统中转路径选取研究

于 澎，朱建生

（中国铁道科学研究院 电子计算技术研究所，北京 100081）

基于人工神经网络的铁路客票系统中转路径选取研究

于 澎，朱建生

（中国铁道科学研究院 电子计算技术研究所，北京 100081）

将人工神经网络引入铁路客票发售和预订系统进行中转路径的优选，可以避免人工选择的盲目性，同时也为售票提供方便。通过提出一种中转路径的人工神经网络模型，运用人工神经网络中的误差反向传播算法，利用换乘样本自学习网络结构、各神经元之间的权重和阈值，根据应用实例进行旅客中转换乘最优方案的合理性判断。

铁路；客票系统；人工神经网络；中转路径

铁路客票发售和预订系统(以下简称客票系统)的应用使全路实现了计算机联网售票，计算机售票方式简单快捷，极大地方便了旅客出行。随着铁路客运专线大规模建设，开行列车车次增加，旅客在购票时若不明确指定车次，售票员一般是对出行车次、换乘车次凭借经验进行选择。将人工神经网络引入客票系统进行中转路径的优选，可以避免人工选择的盲目性，同时也为售票提供方便。售票员只需输入发到站，系统将提供经过人工神经网络计算后的最优换乘方案。

1 人工神经网络概述

人工神经网络是一种基于生物神经网络的数学模型或是计算模型[1]，是一个由人工神经元和使用关联方法进行信息计算的处理过程所共同组成的互联群体。在多数情况下，人工神经网络是一个自适应系统，可以通过外部或内部的信息改变自身的结构，在学习过程中这些信息从网络中产生。人工神经网络在结构和实现方面模拟生物智能，可对并行和分布式的问题进行处理，解决一些传统方法无法处理或效果较差的问题。在实际应用中，神经网络是非线性分析数据模型工具，可以用来模型化输入和输出之间的复杂关系，或者在数据中发现模式[2]。

人工神经网络是由大量简单的神经元广泛地互相连接而形成的复杂网络系统，在某种程度上模拟人脑神经系统的工作过程。其中，神经元可以分为 3 种类型：输入单元、输出单元和隐含单元。输入单元从外界环境接受信息；输出单元则给出神经网络系统对外界环境的作用；隐含单元处于两者之间，调节网络并对网络各功能的实现起重要的作用。根据连接方式的不同，人工神经网络可以分为前馈神经网络、反馈神经网络和自组织神经网络。人工神经网络的模型有很多种，但理论上最完善、应用最广泛的主要是误差反向传播网络模型(BP网络模型)。BP网络模型具有很好的函数逼近能力，通过对训练样本的学习，能很好地反映出对象的输入和输出之间复杂的非线性关系。

2 客票系统的人工神经网络模型

2.1 网络模型结构

如果对于给定的上下车站之间没有直达列车，则旅客需进行换乘。客票系统对所有经由上车站和下车站的列车车次与路网进行分析，得到所有可以换乘的车站[3]。将上车站到中转站的所有车次与中转站到下车站的所有车次进行笛卡尔计算，从而得到每个中转站的换乘方案的笛卡尔集合，集合中的每一项就是一种中转换乘方案，将方案的总历程时间、总公里、中转站等级、中转站等候时间、中转站是否为同一车站、换乘的车次是否有席位等因素作为人工神经网络的输入信息，最终得到换乘方案的可乘度。其中，可乘度最高的为最优方案。

计算换乘方案的前馈神经网络的输入层由总历程时间、总里程、中转站等级、中转站等候时间、中转站是否为同一车站、换乘的车次是否有席位等6 个神经元组成，每个输入神经元分别对应 1 个输入参数；隐含层由神经网络中间的6 个神经元组成，每个神经元都与输入层的6 个神经元相连；与可乘度参数相连的神经元组成输出层，输出神经元与隐含层中的6 个神经元相连。

在前馈神经网络中输入层与隐含层、隐含层与输出层的神经元之间的连线上的权重用W表示，隐含层神经元的阈值用θ表示，输出层神经元的阈值用γ表示。

2.2 选取换乘样本

为了得到前馈神经网络中各神经元之间的权重和阈值，需要通过选择最佳的学习样本计算获得。而样本应该选择那些最具有代表性的，从而可以提高学习速度，还可以提高网络的推广泛化能力。以下是最具代表性的4 种换乘样本。

（1）样本一：济南→北京→乌兰浩特。

D40次：济南—北京南，里程 485 km，运行时间 3 h 10 min，13:29 到。

2189次：北京—乌兰浩特，里程 1 180 km，运行时间 19 h 19 min，15:30 开。

（2）样本二：北京→哈尔滨→黑河。

D25次：北京—哈尔滨，里程 1 249 km，运行时间 8 h 05 min，15:20 到。

K7035次：哈尔滨—黑河，里程 1885 km，运行时间 9 h 47 min，21:10 开。

（3）样本三：太原→株洲→三亚。

K237次：太原—株洲，里程 1 843 km，运行时间 26 h 42 min，02:23到。

K511次：株洲—三亚，里程 1 812 km，运行时间 23 h 05 min，23:12 开。

（4）样本四：攀枝花→广元→兰州。

K166次：攀枝花—广元，里程 1 068 km，运行时间 18 h 44 min，18:35 到。

K856次：广元—兰州，里程 853 km，运行时间 15 h 03 min，20:55 开。

将所选取的4 个样本参数化，计算每个样本的总时间和中转时间，并对车站等级进行相应定义，生成相对应的输入与输出的可乘度，如表1 所示。

表1 4 个学习样本相对应的可乘度

2.3 学习后的神经网络参数

用样本学习网络的结构、各神经元之间的权重和阈值，其中学习步长取 0.9，4 个样本的输出误差应小于1‰。

（1）神经网络的权重：为输入层第i个神经元与隐含层第j个神经元之间的权重；为隐含层第j个神经元与输出层神经元之间的权重。

（2）神经网络的阈值：θj为隐含层第j个神经元的阈值；γ为输出层神经元的阈值。

3 应用实例

以广州—丹东的中转换乘方案为例，其径路如图1 所示。

图1 广州—丹东径路示意图

（1）对广州站的所有车次和路网进行分析，共有18个车站被选为中转站，可以换乘到达目的地，如表2 所示。其中，由广州站到每个中转站的出发列车数和由中转站到丹东站的到达列车数并不相同。

（2）考虑以天津站作为中转站，则有 3 列广州—天津的旅客列车，有2列天津—丹东的旅客列车。

T124/T121次(广州 19:04—天津 20:07)，里程 2 404 km，运行时间 25 h 03 min。

T254次(广州 17:58 — 天津 20:28)，里程 2 436 km，运行时间 26 h 30 min。

T236/T237次(广州东 18:25—天津 19:32)，里程 2 412 km，运行时间 25 h 07 min。

K27次(天津 19:11—丹东 07:17)，里程995 km，运行时间 12 h 06 min。

1206/1207次(天津 04:41—丹东 18:20)，里程995 km，运行时间 13 h 39 min。

将发站车次与到站车次进行笛卡尔乘积，得到6 种换乘方案，如表3所示。同时，计算出其他中转站的换乘方案，从而得到所有可选的换乘方案。

（3）计算每种方案的总历程时间、总里程、中转站等级、中转站等候时间、中转站是否为同一车站、换乘的车次是否有席位，并输入前馈神经网络，得出最优换乘方案。通过输入 6 种换乘方案的具体数值，从而获得各种换乘方案相对应的可乘度，如表4所示，规定可乘度为 0～1之间的数，越接近 1 则换乘方案越好。由于第 2 种换乘方案的可乘度数值最大，因此该换乘方案最优。

表2 广州—丹东可换乘车站的出发、到达列车数 列/d

表3 广州—丹东在天津中转的换乘方案

表4 通过神经网络计算 6 种换乘方案的可乘度

4 结束语

人工神经网络在客票系统的中转路径优选中虽然有较好的应用，但是旅客中转换乘的因素很多，该模型只是列举出几个重要的因素，在改进模型中还可以加入每个因素的权重，使模型更加符合实际。

为了高效快速地获取中转站，需要对上车站和下车站的连通图和旅客列车车次进行分析，然而路网的变化和列车的增减等不确定因素，都增加了获取中转站的难度。随着人们生活水平的提高，对于多种多样的旅客出行需求，在上车站和下车站之间进行两次或更多次的换乘，如何应用人工神经网络优化选择中转方案成为难点。在铁路客运系统中，应进一步实现旅客服务系统的智能化功能，为旅客提供多种出行方案，实现客票系统按旅客的需求发售车票，从而最大限度地提高售票质量。

：

[1] 王 伟. 人工神经网络原理——入门与应用[M]. 北京：北京航空航天大学出版社，1996.

[2] 史天运，贾利民. 计算智能理论及其在RITS中的应用[J].交通运输系统工程与信息，2002(1)：10-15.

[3] 吕晓艳，刘春煌，单杏花，等. 基于车次径路约束下的客运径路生成算法优化[J]. 中国铁道科学，2007，28(3)：122-125.

Research on the Selection of Transfer Route Model in Railway Ticketing System base on Artifi cial Neural Network

YU Peng,ZHU Jian-sheng

(Institute of Computing Technologies,China Academy of Railway Sciences,Beijing 100081,China)

This paper introduces the artificial neural network into Railway Ticketing and Reservation System(TRS)to optimize the selection of transfer routes,and this could avoid blindness of artificial selection and provide convenient ticket selling. Firstly,the paper puts forward an artificial neutral network model of transfer route,then by using the BP algorithm of artificial neural network,and the self-learning network structure of transfer samples,weights and thresholds among neurons,the reasonableness of the optimal transfer route model is defi ned according to application cases.

Railways; Ticketing System; Artifi cial Neural Network;Transfer Route

1003-1421(2010)03-0042-05

U293.2+21；TP183

A

2010-01-25

林 欣